BC CA.ncer Agency researchers are now providing critical insight into the spread of this deadly disease, for the first time mapping the composition of the cancer cell groups that have taken up residence within the patient’s abdomen and discovering two distinct patterns of cell migration in high grade serous ovarian cancer. This research is led by Dr. Sohrab Shah, senior scientist at the BC Cancer Agency and Canada Research Chair in Computational Cancer Genomics, and has been published in the world-leading, peer-reviewed scientific journal,自然遗传学。
与大多数蔓延的癌症不同，这项研究表明，高级浆液癌细胞具有独特的机会，可以在整个腹部扩散繁殖。在映射细胞迁移时，Shah的团队博士表明，这些细胞如何能够在身体的特定区域中沉降和茁壮成长，导致危及危及生命的疾病。
这项研究还证实，这些肿瘤是由许多不同类型的癌细胞组成的，这就解释了为什么有些细胞易受治疗，而另一些细胞则具有耐药性，通常导致疾病在对治疗产生初步反应后复发。从卵巢到腹部其他部位的细胞类型迁移模式确定了特定的卵巢部位相对于其他部位包含更多的细胞类型，这可以确定细胞迁移到腹部其他部位的“通道”。
对于高级别浆液性卵巢癌细胞如何在患者体内迁移的新认识，为未来的治疗选择提供了信息。这些结果表明，一些癌细胞可能在患者接受任何治疗之前就已经有了耐药性的特性。这可能表明，患者需要更积极的，多治疗方法从疾病进展的开始，以防止复发。
一种绘制癌症扩散图谱的新方法
尺
Sohrab Shah博士在BC癌症机构的生物信息学实验室开发了一种新的机器学习工具，可以研究单个癌细胞在癌症进展中的作用。发表在自然方法，莎娜的团队通过单个卵巢癌细胞的突变计算分析显示数字癌症生物学的力量。
由Andrew Roth博士开发的“单细胞基因型”(Single Cell gentyper, SCG)开源软件是一种新的统计模型和机器学习推理算法，旨在确定DNA突变如何在单个肿瘤细胞基因组中分布的模式。这提供了前所未有的数字分辨率来识别肿瘤中存在的不同类型癌细胞的数量，并跟踪当疾病扩散或复发时它们是如何迁移的。
对单个癌细胞突变的测量被输入到SCG中，SCG能够通过竞争或部分缺失数据的“噪音”或“干扰”有效地工作:
- 估计肿瘤中存在的癌细胞种群的数量
- 确定定义每个种群的突变集
- 预测肿瘤中每个群体的丰度
该技术提供了一种新工具科学家，可以用于研究所有类型的人类癌症的细胞群组成。这是一个必要的第一步，了解癌症如何获得抵抗治疗和扩散到其原产地的抵抗力。
SCG模型使Shah和他的团队能够揭示最恶性卵巢癌侵袭性扩散的关键见解。这是首次在最致命的卵巢癌中绘制两种不同的癌细胞迁移模式。
下一步是应用SCG以定义卵巢癌和乳腺癌患者中的细胞迁移图，特别关注确定哪种细胞对治疗有哪些细胞以及它们的具体性质是什么。这将允许研究人员建立预测工具，以更好地告知未来的癌症护理。
